基于小波分析技术的中长期径流预测模型研究

针对中长期径流预测精度低的问题,提出了基于小波分析技术的时间序列预测模型。利用小波函数db(5)将年径流序列进行尺度为3的分解,得到相应的低频信号和高频信号,然后对各级分解信号利用ARMA(2,1)模型进行预报,最后将各预报结果叠加合成原始径流的预测值,并与ARMA模型直接预测的年径流值比较,通过实例得出前者预测模型要比后者预测的精度更高、稳定性更好,从而验证了该中长期径流预测模型的有效性。     

基于VMD-LSTM-ARMA模型的径流预测

为了提高径流预测的精度,提出了一种用以解决径流预测等问题的组合预测模型,此模型由变分模态分解(VMD)、长短期记忆网络(LSTM)和自回归移动平均(ARMA)组成。为了降低入库流量的复杂度,利用VMD算法将径流数据分解为3个不同频率的模态分量。低频的模态分量继承了数据的时间特性,可以通过构建LSTM预测模型处理;而2个高频序列是平稳的时间序列,可以通过搭建ARMA预测模型处理。将3个子序列的预测结果进行叠加,最终得到径流的预测结果。采用湘江支流的东江水文站2020年的逐小时流量数据进行流量预测,对比试验和其他算法结果表明：所构建的模型可以有效提高水文预报的精度。     

基于小波去噪和FA-SVM的中长期径流预报

为优化支持向量机(Support Vector Machine,SVM)模型参数,提高中长期径流预报精度,建立了基于FA-SVM的中长期径流预报模型。该模型以样本中训练期均方差最小为目标函数,利用萤火虫算法(Firefly Algorithm,FA)对支持向量机主要参数(惩罚系数C、核函数参数g和不敏感损失系数ε)进行了优化。以岷江上游的紫坪铺水库为例,运用小波去噪法对各月径流序列进行数据预处理后,利用FA-SVM模型与BP神经网络模型进行了中长期径流预报。结果表明:(1)运用小波阈值法能够较好地滤除各月径流序列的系统噪声和测量噪声;(2) FA-SVM模型中长期径流预测效果较好,预报精度等级均在丙级以上;(3) FA-SVM模型的预报效果优于BP神经网络模型。     

小波神经网络在径流预测中的应用

将小波分析与传统的BP神经网络模型进行组合,提出了一种新的径流中长期预测方法。该方法对年径流序列进行Mallat小波分解,将分解后得到的不同尺度下的低频成分和高频成分分别进行Mallat算法重构,对重构系列采用BP神经网络模型进行预测。采用黄河三门峡站1470-2002年的年径流资料进行模型的预测和检验,并与传统的BP神经网络模型进行比较,研究结果表明小波神经网络在径流预测中具有较好的预报精度,可以成功地用于径流模拟和预测。     

基于时间序列组合模型的河川年径流预测

河川年径流序列具有小样本、非线性和非平稳性等特点,传统预测理论很难对其实现精确预测。考虑从多角度优化预测算法,建立基于时间序列的组合预测模型。本研究利用小波变换理论提取信号的细节特征,将年径流分解为非线性的趋势项和平稳性的波动项,分别利用最小二乘支持向量机(LSSVM)理论和自回归(AR)模型进行趋势预测,利用加法原则重构信号实现河川年径流预测模型。以新疆开都河年径流序列进行实例计算,结果表明预测值与实测值基本一致,具有较高的预测精度。研究结果可为河道防洪、水库运行调度与区域水资源配置提供参考。     

基于小波分解及Arima误差修正的径流预测模型及应用

为改善传统径流预测模型对随机性时间序列的预测效果并不理想的现状,构建基于小波分解及Arima误差修正的径流预测模型。应用小波分解法将径流时间序列进行分解和重构,使非平稳、随机性的径流时间序列平稳化,对数据样本预处理后建立以相关向量机(RVM)为理论基础的径流预测模型,并采用改进粒子群算法进行核函数全局寻优,最后对模型拟合残差进行Arima误差修正。通过实例计算得到传统支持向量机(SVM)模型、RVM模型和径流预测模型的预测值平均误差分别为8.60%,9.02%和3.64%。结果表明:通过小波分解及重构方法对非平稳时间序列的预处理可有效提高预测精度,同时Arima误差修正也有很好的效果,相比于SVM模型、RVM模型,基于小波分解及Arima误差修正的径流预测模型具有更高的预测精度,在实际工程中具有一定的可行性。     

基于小波消噪技术的投影寻踪自回归预报模型

针对径流序列呈现出的随机性和非线性等,基于耦合小波分析理论的降噪功能以及投影寻踪自回归模型的非线性逼近功能,建立一种组合预报模型,即PPAR-WDT。模型运用Mallat算法将径流序列进行分解;然后利用阈值消噪技术对含有噪声的高频信号序列进行降噪处理,最后重构新序列;运用投影寻踪自回归模型进行预报。将新组合模型应用于某水文站中长期径流预报的结果表明,相比于单一投影寻踪自回归等3种模型,PPAR-WDT模型具有更高的预报精度和更好的稳定性。     

基于小波分解的日径流逐步回归预测模型

本文以预测水文站的上游水文站的日径流序列为依据,利用小波分解和重构得到预测水文站及上游水文站的日径流序列在1~4尺度下的概貌分量,然后以各站的原始径流序列及其在不同尺度下的概貌分量为候选预报因子,建立了径流逐步回归多步预测模型。计算实例表明,由于引入了上游水文站的径流序列并提取了各站径流序列的不同尺度下的概貌分量,本文提出的基于小波分解的日径流逐步回归预测模型的预测精度高于小波网络模型和多元自回归模型,能对非凌汛期未来1~3d以及凌汛期1~7d的日均流量进行预测,可为制定水电站未来的发电计划提供科学的依据。     

基于小波网络的径流多时间尺度分析及预报方法研究

应用Morlet小波的多分辨分析功能,对嫩江和洮儿河汛期径流序列进行了多时间尺度分析,结果显示,嫩江汛期径流具有4年和25年左右的主周期,洮儿河汛期径流具有4年、10年和25年左右的主周期,二者丰枯变化位相基本一致并具有同步性.针对径流时间序列的非线性和多时间尺度特征,将小波分析与人工神经网络结合建立了组合预测模型,模型原理简单,预测精度较高.这证明小波神经网络用于径流中长期预报是可行的.     

小波、模糊与统计相关结合的径流预测方法研究

在模糊聚类、识别与统计相关结合的预测模型的基础上,引入小波分析理论,提出了小波、模糊与统计相关三者有机结合的预测模型。其基本思路是:先把各预报因子逐个进行小波分解,再将分解的小波序列带入模糊聚类、识别与统计相关结合的预测模型,求取类别变量特征值与预测对象之间的回归方程来进行预报。其显著特点是利用了小波分析的多分辨率功能,小波分解后将非平稳时间序列分解成适当的多个平稳时间序列及一个经平滑而比原序列平稳得多的序列,提高了数据变化的稳定程度,把噪声和真实数据进行了一定的区分,减小了预测因子中噪声对预测对象的影响,从而提高了预测精度。在新疆雅马渡站年径流量的预报中,预测效果比单纯用模糊-统计相关模型进行预测的效果要好,具有更高的预报精度。     

基于自适应变分模态分解和长短期记忆网络的月径流预报

准确可靠的月径流预报是流域水旱灾害防治及水资源合理配置的重要依据。原始径流时间序列包含多种频率成分，将时间序列数据分解预处理技术和机器学习模型相结合的混合模型已被用于捕捉径流动态过程。然而，将数据分解技术直接应用于整个时间序列是一种不切实际的方法，会导致部分信息从测试阶段传输到模型的训练过程中。为此，设计了一个用观测数据更新历史样本的自适应动态分解策略，提出基于自适应变分模态分解和长短期记忆网络的分解-预测-集成月径流预测混合模型。首先，采用自适应分解策略对径流时序数据进行变分模态分解，得到不同频率成分的子序列；其次，为每个分解子序列构建长短期记忆神经网络径流预测模型，并采用贝叶斯优化算法优选模型超参数；然后，将子序列的预测结果集成得到径流的最终预测结果；最后，以金沙江上游石鼓水文站月径流预报为研究实例，对比传统的分解策略(“捆绑分解”)和分解方法(离散小波变换和集成经验模态分解),验证所提混合模型的有效性和可行性。结果表明，所提混合模型在数据分解预处理中避免了引入未来信息，并能够进一步提升径流预报精度。     

基于小波包分解的AJS-GMDH月径流时间序列预测研究

为提高月径流时间序列预测精度,建立基于小波包分解(WPD)、人工水母搜索(AJS)算法、数据分组处理方法(GMDH)的WPD-AJS-GMDH月径流时间序列预测模型。采用WPD将月径流时序数据分解为若干子序列分量;选取6个典型函数在不同维度条件下对AJS算法进行仿真测试;利用AJS算法优化GMDH网络关键参数,建立WPD-AJS-GMDH模型,并构建基于支持向量机(SVM)、BP神经网络及完全集合经验模态分解(CEEMD)、小波分解(WD)的17种对比分析模型;最后利用云南省龙潭站1952年~2016年780组的月径流时间序列数据对所建立的18种模型进行检验。结果表明,在不同维度条件下,AJS算法均具有较好的寻优效果;WPD-AJS-GMDH模型预测误差均小于其他17种模型;对于月径流时序数据分解,WPD分解效果优于CEEMD、WD方法;AJS算法能有效优化GMDH网络参数,提高预测性能。     

基于小波分析的最近邻抽样回归预报模型研究

〗为了提高水文中长期预报的精度,以屏山站1951～2005年年径流序列为例,应用小波分析技术对信号进行多尺度分析,将水文时间序列分解成若干个高频序列和低频序列,再将高频序列和低频序列分别应用最近邻抽样回归建立模型,然后应用小波重构技术将各序列进行重构,从而实现对原始序列的预测。结果表明：应用小波技术建立的组合模型,其精度明显高于单一的最近邻抽样回归模型,可以应用于生产实践中。     

基于小波分析的月径流ARIMA预测方法

将一种基于小波分析的自回归滑动平均求和（ARIMA）模型用于月径流的预测。首先利用小波变换良好的局部化特性，将月径流序列分解成不同时间尺度上的子序列；然后对各个子序列利用ARIMA模型进行预测。将采用基于小波分析的ARIMA模型的预测结果与直接使用ARIMA模型的预测结果进行比较，结果表明引入小波变换提高了月径流预报精度。     

基于多种混合模型的径流预测研究

变化环境下径流的波动不断加大,给径流的精准预报带来新的挑战。基于"分解-合成"策略的混合径流预报模型来提高预报精度是当前研究的热点之一。以往研究聚焦在单一的混合预报模型而忽视了它们的适用性研究。基于此,以渭河流域为例,在优选多元线性回归(MLR)、人工神经网络(ANN)和支持向量机(SVM)单一预报模型的基础上,分别基于经验模态分解(EMD)、集合经验模态分解(EEMD)和小波分解(WD)构建了多种混合模型,并融合了大气环流异常因子的信息。结果表明:(1)SVM模型预测精度高于ANN和MLR;(2)混合预测模型预测精度均高于单一模型,混合模型中WD-SVM的预测精度优于EMD-SVM和EEMD-SVM;(3)融合大气环流异常因子后WD-SVM模型预测精度最高,对极值预报精度的提高较为明显。     

基于小波分解的AVOA-DELM月径流时间序列预测模型及应用

为提高月径流时间序列预测精度,提出小波分解(WD)-非洲秃鹫优化算法(AVOA)-深度极限学习机(DELM)组合预测模型,并应用于云南省丫勒水文站月径流预测。利用WD对月径流时序数据进行分解,以获得更具规律的子序列分量;通过AVOA优化DELM隐含层神经元数,建立WD-AVOA-DELM模型对各子序列分量进行预测,将预测结果加和重构得到最终月径流预测结果。同时构建基于支持向量机(SVM)、BP神经网络两种预测器的WD-AVOA-SVM、WD-AVOA-BP、AVOA-DELM、AVOA-SVM、AVOA-BP作分析对比模型。结果表明：WD-AVOA-DELM模型对丫勒水文站月径流预测的平均绝对百分比误差为3.02%,预测误差远小于WD-STOA-SVM、WD-AVOA-BP模型,预测精度较AVOA-DELM、AVOA-SVM、AVOA-BP提高1个数量级以上,具有较好的预测效果。WD能科学降低径流序列的复杂性,提高预测精度;AVOA能有效优化DELM关键参数,提高DELM网络性能。     

基于Mann-kendall检验的日径流预测模型

基于生产实践中对高精度中长期径流预报的要求,对我国海河流域两大支流之一的滹沱河上小觉水文站(岗南水库入库径流控制站)径流量进行预测研究。采用Mann-kendall检验法对数据进行分析,得到流域径流量的突变年份为1984年。基于此采用1992—2001年的数据(突变年份后的时间序列)训练得到预测模型,采用2002—2004年径流量日值数据就模型对新数据序列的适应性进行验证,建立小觉水文站日径流预测模型。结果表明模型应用在水文时间序列的预测中是合理、可行的,并具有较高的精度。     

WPSO-SVR耦合日径流预测模型研究及应用

针对径流时间序列过程的高度非线性,将小波分析方法、粒子群优化算法与支持向量回归相结合,建立了小波-粒子群-支持向量回归耦合日径流预测模型(WPSO-SVR)。该模型充分挖掘小波分析的多分辨功能和支持向量回归的非线性逼近能力,应用小波分析方法将日径流时间序列分解为不同频段的子序列,将重构后的序列作为模型的输入,利用粒子群全局搜索能力实现模型参数寻优,得到最佳模型参数,构建模型,并将该模型应用于金沙江中游石鼓站日径流预测。结果表明,该模型的预测效果明显优于单一支持向量回归模型,在日径流预测中具有较强的适应性。     

基于支持向量机的中长期入库径流预报

采用基于支持向量机的预测模型对水库中长期入库径流进行预报,建立径流预报的SVM模型。预报因子的优劣决定着预测精度的高低。为了提高预报精度,尝试采用模糊优选法对预报因子进行优选。将所建模型应用于新疆雅马渡站的径流预测中,并与没有进行预报因子优选的SVM模型进行比较。结果表明,进行预报因子优化后的SVM模型明显提高了径流的预报精度,具有更好的应用价值。     

基于EMD-LSTM-ANFIS模型的年径流预测研究

为提高径流预测精度,提出基于经验模态分解(EMD)和长短期记忆(LSTM)神经网络、自适应神经模糊推理系统(ANFIS)相结合的径流预测模型。通过EMD将原始径流序列分解成多个更具规律的分量序列,利用自相关函数法(AFM)和虚假最邻近法(FNN)对每个分量序列进行相空间重构,确定输入、输出向量,建立EMD-LSTM-ANFIS预测模型,并构建EMD-LSTM、EMD-ANFIS、LSTM、ANFIS作对比模型,利用建立的5种模型对云南省龙潭站年径流进行预测及对比分析。结果表明:EMD-LSTM-ANFIS模型对实例年径流预测的平均相对误差为3.18%,平均相对误差较EMD-LSTM、EMD-ANFIS、LSTM、ANFIS模型分别降低55.0%、65.2%、68.1%、78.4%,具有更高的预测精度和更强的泛化能力。EMD-LSTM-ANFIS模型用于径流预测是可行和可靠的。